🔬 재료과학

Probing the limits of forward screening and inverse design of crystal materials

이 연구는 55개의 서로 다른 결정 데이터베이스를 하나의 포괄적인 자원으로 통합하고 CGTNet 모델을 사용하여 누락된 물성을 예측함으로써, 알려진 물질의 순방향 스크리닝을 통해 ReN2와 같은 수천 개의 초고압축성 후보 물질을 찾아낼 수 있음을 밝히는 동시에, 현재의 역설계 방법들이 종종 기존의 조성을 재발견한다는 점을 입증하여 물질의 신규성을 평가하기 위한 더욱 엄격한 토대를 구축하였다.

원저자: Zhilong Song, Zijun Pang, Lixue Cheng

게시일 2026-10-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zhilong Song, Zijun Pang, Lixue Cheng

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

재료 과학자들은 휴대폰의 실리콘부터 보석의 다이아몬드에 이르기까지 모든 것을 구성하는 단단하고 반복적인 구조인 새로운 결정을 찾기 위해 끊임없이 노력하고 있습니다. 특정 초능력(예를 들어 엄청난 압력을 견디거나 전기를 완벽하게 전도하는 능력)을 가진 재료를 찾기 위해 연구자들은 보통 두 가지 경로 중 하나를 택합니다. 첫 번째는 보물 찾기입니다. 그들은 이미 원하는 특성을 보유하고 있는 결정을 찾기 위해 수백만 개의 알려진 결정들을 샅샅이 뒤집니다. 두 번째는 창의적인 행위입니다. 그들은 강력한 컴퓨터 프로그램을 사용하여 그러한 특성을 가질 것으로 예상되는 완전히 새로운 결정 구조를 상상하고 생성합니다. 두 방법 모두 과학자들이 발견하거나 시뮬레이션한 결정의 설계도와 특성을 저장하는 거대한 공공 데이터 라이브러리에 의존합니다. 하지만 수년 동안 이 라이브러리들은 서로 다른 언어로 말해 왔습니다. 동일한 결정이 한 데이터베이스에는 한 이름으로, 다른 데이터베이스에는 완전히 다른 이름으로 기재되어 있거나, 핵심 정보가 통째로 누락되어 있을 수도 있습니다. 이러한 혼란은 이러한 탐색 방법들이 실제로 어디까지 도달할 수 있는지, 혹은 그들이 찾아낸 재료가 진정으로 얼마나 "새로운" 것인지 파악하는 것을 어렵게 만들었습니다.

홍콩 과학기술대학교의 연구팀은 55개의 서로 다른 데이터베이스를 하나로 통합한 단일 통합 라이브러리를 구축함으로써 이 안개를 걷어냈습니다. 그들은 단순히 데이터를 복사하여 붙여넣은 것이 아니라, 서로 다른 버전의 동일한 재료를 구별하지 못하는 경우가 많은 혼란스러운 이름과 화학식을 무시하고, 모든 결정의 물리적 형태를 기준으로 정밀하게 일치시켰습니다. 이 거대한 노력의 결과로 거의 1,460만 개의 고유한 결정 구조와 1억 3,100만 개 이상의 특성 측정값을 포함하는 단일하고 자동 업데이트되는 카탈로그가 탄생했습니다. 결정적으로, 그들은 모든 정보의 출처를 기록하여 모든 값의 이력을 추적할 수 있도록 했습니다. 그들은 이 라이브러리가 방대하면서도 동시에 매우 희소하다는 것을 발견했습니다. 대다수의 결정에 대해 연구자들이 관심을 갖는 구체적인 특성들이 기록에서 누락되어 있었던 것입니다. 이러한 공백을 메우기 위해 연구팀은 CGTNet이라는 새로운 인공지ษย์ 모델을 개발했습니다. 이 모델은 결정의 구조를 바탕으로 누락된 특성을 예측하도록 훈련된 매우 숙련된 '추측가' 역할을 하며, 기존 방식보다 뛰어난 정확도를 보여줍니다. 이 도구를 사용함으로써 연구팀은 수백만 개의 아직 측정되거나 계산되지 않은 결정들에 대한 값을 예측하여 라이브러리를 완성할 수 있었습니다.

이 완성된 라이브러리를 손에 쥔 연구진은 보물 찾기와 창의적 생성 접근법의 한계를 테스트했습니다. 먼저 그들은 보물 찾기, 즉 '전방 스크리닝(forward screening)'을 통해 알려진 결정들 사이에 얼마나 많은 초경질 재료들이 눈에 띄지 않게 숨어 있는지 조사했습니다. 이 연구 전까지 과학자들은 이미 대부분의 후보를 찾아냈다고 믿고 있었습니다. 그러나 이 새로운 AI 모델을 완성된 라이브러리에 적용함으로써, 연구진은 초압축성이 매우 높을 것으로 보이지만 이 특정 특성에 대해서는 한 번도 테스트되지 않았던 수만 개의 알려진 결정들을 발견했습니다. 이 숨겨진 보석들 중 연구진은 ReN2라는 물질을 찾아냈습니다. 이 결정은 고압 하에서 실험실에서 합성되었고 그 경도가 428 기가파스칼로 측정되었음에도 불구하고, 어떤 데이터베이스에도 그 벌크 계수(부피 탄성률, 압축에 대한 저항을 나타내는 척도)가 기록되어 있지 않았습니다. 연구진의 스크리닝은 이 물질을 최상급 후보로 성공적으로 식별해 냈으며, 이는 데이터가 흩어져 있고 불완전했기 때문에 간과되었던 가치 있는 기지의 재료들을 보물 찾기가 여전히 찾아낼 수 있음을 증명했습니다.

이어 연구팀은 컴퓨터가 새로운 결정 아이디어를 생성하는 창의적 접근법인 '역설계(inverse design)'에 주목했습니다. 수년 동안 이러한 컴퓨터 프로그램들은 방대한 양의 완전히 새로운 재료를 발견하고 있다고 주장해 왔습니다. 연구진은 생성된 결정들을 자신들의 새로운 포괄적 라이브러리와 대조하여 이 주장을 검증했습니다. 그들은 새로움의 감각이 불완전한 참조 목록을 사용함으로써 생긴 환상에 불과하다는 것을 발견했습니다. 생성된 결정들을 55개의 전체 소스와 대조했을 때, 연구진은 그중 상당수가 결코 새롭지 않다는 것을 발견했습니다. 한 구체적인 테스트에서, 한 컴퓨터 프로그램은 자신이 새롭고 매우 단단한 100개의 결정을 생성했다고 주장했습니다. 그러나 연구진이 이들을 완전한 데이터베이스와 대조했을 때, 82개가 이미 알려지고 기록된 조성의 변형이라는 사실을 밝혀냈습니다. 더욱이, 이 "새로운" 결정들 모두가 오스뮴(osmium)이라는 특정 원소를 포함하고 있었는데, 이는 생성기가 전체 가능성의 우주를 탐구하기보다는 이미 알려진 매우 좁은 범위의 재료들을 단순히 재조합하고 있었음을 시사합니다.

본 연구는 우리가 재료를 찾는 방식이 변화해야 한다고 결론짓습니다. 보물 찾기는 이전보다 훨씬 더 강력합니다. 모든 알려진 데이터를 통합하고 누락된 부분을 채움으로써, 우리는 이미 존재하지만 기록의 틈새에 숨겨져 있던 수천 개의 유용한 재료들을 찾아낼 수 있습니다. 반대로, 창의적 생성 접근법은 자신의 성공을 과장해 왔습니다. 그것이 만들어내는 "새로운" 재료들은 종종 우리가 이미 알고 있는 것들의 재탕이며, 이는 단지 판단에 사용된 참조 목록이 너무 작았기 때문입니다. 단일하고 완전하며 검증된 데이터베이스를 사용함으로써, 과학자들은 이제 진정한 발견과 중복된 것을 구분할 수 있으며, 이를 통해 다음 세대의 위대한 재료를 찾는 과정이 혼란이 아닌 진실의 토대 위에 세워지도록 보장할 수 있습니다.

기술 요약: 결정 물질의 순방향 스크리닝 및 역설계 한계 탐색

문제 정의
결정 물질 발견은 현재 두 가지 주요 경로에 의존하고 있다: 순방향 스크리닝(기존 결정에서 목표 특성을 검색)과 역설계(목표 특성을 가진 새로운 결정을 생성). 두 접근 방식 모두 알려진 결정에 대한 공개 데이터베이스에 의존한다. 그러나 이러한 데이터베이스는 다음과 같은 심각한 파편화와 불일치 문제를 겪고 있다:

통합된 정체성(Identity)의 부재: 동일한 결정 구조가 여러 데이터베이스에서 서로 다른 등록 번호와 화학식을 가질 수 있다. 다형체(Polymorphs)는 동일한 화학식을 공유하므로, 화학 조성만으로는 중복 제거를 위한 키로 신뢰할 수 없다.
불완전한 특성 커버리지: 데이터베이스를 병합하더라도 결정-특성 행렬은 여전히 희소하다(약 4.5%만 채워져 있음). 이는 개별 소스들이 각자의 프로젝트에 관련 있는 특성만을 계산하기 때문이다.
잘못 판단된 한계: 순방향 스크리닝은 알려진 결정과 특성의 일부만을 접근할 수 있기 때문에 그 가치가 과소평가된다. 반대로, 역설계의 참신함(Novelty)은 생성된 결정이 (예: Materials Project와 같은) 좁은 참조 세트만을 기준으로 평가되어, 다른 저장소에 존재하는 기지의 상(phase)이나 유사 변이체임을 감지하지 못함으로써 과대평가된다.

방법론
저자들은 통합되고 스스로 확장 가능한 데이터베이스를 구축하고, 특성 공백을 채우기 위한 완성 모델을 개발함으로써 이 문제를 해결한다.

데이터베이스 통합 (MateriaViva):
- 범위: 55개의 공개 데이터베이스를 통합하여, 1,460만 개의 고유 결정 구조와 166개 특성에 걸친 1억 3,180만 개의 특성 값을 보유한 저장소를 구축했다.
- 정체성 해소: 결정은 화학식이 아닌 구조에 의해 매칭된다. 워크플로우는 권위 있는 교차 데이터베이스 식별자를 우선시하며, 그다음으로 구조적 핑거프린트(불변 문자열로 축소된 원시 셀)를 사용한다. 아무것도 매칭되지 않는 항목은 새로운 결정으로 수용된다.
- 출처(Provenance): 모든 특성 값은 출처, 고유 엔트리 ID, 계산 방법을 유지한다. 이를 통해 소스 간의 데이터 일관성을 엄격하게 비교할 수 있다.
- 성장: 데이터베이스는 스스로 확장된다. 새로운 소스가 추가됨에 따라 매칭되지 않은 항목이 수용되며, 매칭 세트가 성장한다.
특성 완성 (CGTNet):
- 아키텍처: 결측 특성 값을 예측하기 위해 등방성 그래프 트랜스포머인 **결정 그래프 트랜스포머 네트워크(CGTNet)**를 개발했다. 이는 주기적 반경 그래프(6 Å 컷오프)와 SO(2) 엣지 프레임 어텐션, 그리고 효율적인 각도 곱을 구축하기 위한 텐서 제곱을 사용한다.
- 학습 전략: 단일 아키텍처와 학습 레시피를 수백 개의 태스크(서로 다른 특성 및 이론 수준)에 적용했다. 엄격한 분포 외(out-of-distribution) 테스트를 보장하기 위해 태스크를 화학 시스템별로 분할했다.
- 벤치마킹: CGTNet은 JARVIS-DFT 및 Matbench 벤치마크에서 최첨단 정확도를 달축성했으며, 형성 에너지, 총 에너지, 밴드 갭에 대해 발표된 최고 수치와 대등하거나 이를 능가했다.
발견 경로의 평가:
- 순방향 스크리닝: 완성된 데이터베이스를 네 가지 타겟(초고경도 고체, 리튬 이온 전도체, 고전압 양극재, UV 복굴절 결정)에 대해 스크리닝했다. 후보군들은 합성 증거 및 중복 항목 여부에 대해 감사를 받았다.
- 역설계: 생성된 결정의 참신함을 검증하기 위해 데이터베이스를 포괄적인 참조 세트로 사용했다(최근의 GNoME, MatterGen, CrystaLLM 등의 캠페인 대상). 참신함은 네 가지 단계적으로 엄격해지는 정체성 기준(구조적 핑거프린트, 축소된 조성 + 공간군, 축소된 조성, 화학량론 패턴 + 공간군) 하에 테스트되었다.
- 비교 예산: "강성 조건부(stiffness-conditioned)" 생성기(Mattergen)를 동일한 검증 예산(상위 100개 후보)으로 스크리닝한 결과와 비교했다.

주요 결과

데이터베이스 통계: 통합된 데이터베이스는 1,460만 개의 구조(실험적 구조 35.7만 개, 계산적 구조 1,420만 개)와 1억 3,180만 개의 값을 포함한다. 결정-특성 쌍 중 채워진 비율은 4.5%에 불과하다. 통합 과정 자체로, 조립 과정에서 수용된 구조들에 대해 기존 소스에서 보고되지 않았던 값들을 26.1% 채웠다.
모델 성능: CGTNet은 JARVIS-DFT에서 23.7 meV/atom의 형성 에너지 오차를 기록했다(기존 최고 수치인 25.0 meV/atom을 경신). 완성된 데이터베이스에서 91개 태스크 중 44개 태스크가 홀드아웃(held-out) $R^2 \ge 0.7$ 을 달성했다.
순방향 스크리닝의 한계:
- 완성된 데이터베이스를 초고경도 고체( $B \ge 250$ GPa)에 대해 스크리닝한 결과, 벌크 탄성률이 기록되지 않은 53,813개의 후보를 식별했다.
- 합성 증거에 대한 사후 감사 결과, ReN $_2$ 를 포함한 62개의 합성된 후보를 확인했다. ReN $_2$ 의 측정된 벌크 탄성률은 428 GPa(예측값 349 GPa)이다. 이는 기지의 결정들이 특성 라벨이 누락되어 이전에 "보이지 않았던" 유망한 후보들을 보유하고 있음을 입증한다.
- 사전 등록된 스크리닝에서의 실패는 합성 증거 및 중복 항목에 대한 엄격한 점검의 필요성을 강조했다.
역설계의 한계:
- 55개 데이터베이스 전체를 기준으로 판단했을 때, 생성된 세트의 참신함은 크게 감소했다. 예를 들어, 엄격한 조성 기반 기준 하에서 CrystaLLM의 참신함은 0.2%로 떨어졌으며, GNoME의 경우 91.1%로 떨어졌다(단, GNoM의 87.4%는 데이터베이스에서 저평가된 구성 요소 유형인 4~5개 원소를 포함하고 있었다).
- 스크리닝 vs 생성: 동일한 검증 예산(상위 100개 히트)에서, 생성기(MatterGen)는 100개의 히트를 반환한 반면 스크리닝은 55개를 반환했다. 그러나 100개의 생성된 히트 모두 오스뮴(Osmium)을 포함하고 있었으며, 82개는 기록된 조성을 가지고 있었다. 스크리닝 경로는 합성된 결정으로 제한했을 때 더 높은 최대 벌크 탄성률(433.8 GPa vs 375.4 GPa)을 나타냈고, 더 넓은 화학 시스템(생성은 5개, 스크리닝은 39개)을 커버했다.

의의 및 주장
본 논문은 알려진 결정의 데이터베이스를 통합하고 완성하는 것이 물질 발견의 인지된 한계를 근본적으로 변화시킨다고 주장한다:

스크리닝의 확장: 순방향 스크리닝은 이전에 생각했던 것보다 더 멀리 도달할 수 있다. 알려진 결정들은 아직 계산되지 않은 목표 특성에 대한 수만 개의 후보를 포함하고 있으며, 그중 일부(ReN $_2$ 와 같은)는 이미 합성되어 있다.
역설계의 교정: 역설계의 참신함은 과대평가되어 왔다. "새로운" 생성 결정 중 다수는 더 넓은 데이터베이스에 존재하는 기지의 상 또는 변이체이다. 참신함을 공정하게 평가하기 위해서는 포괄적인 참조 세트가 필요하다.
상보성: 스크리닝과 생성은 상보적이다. 스크리닝은 알려진 화학 공간 내에서 고성능 후보(종종 합성 증거를 동반함)를 찾아내며, 생성은 특정 영역(예: 오스뮴 함유 화합물)을 효율적으로 탐색할 수 있지만 화학적 다양성이나 진정한 참신함이 부족할 수 있다.
자원 해제: 저자들은 오픈 버전의 데이터베이스(재배포 허용 라이선스를 가진 1,090만 개의 결정)와 91개 특성 모델 라이브러리(CGTNet)를 공개한다. 이는 커뮤니티가 모델을 재학습시키지 않고도 알려진 결정을 스크리닝하고 생성된 후보의 점수를 매길 수 있도록 하기 위함이다.

이 연구는 발견의 "한계"가 단순히 알려진 결정의 수나 생성 모델의 성능에 달려 있는 것이 아니라, 기초가 되는 데이터 인프라의 완전성과 일관성에 달려 있음을 강조한다. 결정의 정체성을 해결하고 특성 공백을 채움으로써, 저자들은 스크리닝과 생성 접근 방식 모두를 평가하기 위한 더 정확한 기준점을 제공한다.

유사한 논문